- •Демонстрационная презентация курса
- •Лекция 1. Введение в теорию вероятностей
- •Равновозможные исходы
- •Классическое определение вероятности
- •Формулы комбинаторики
- •Выбор без возвращения
- •Выбор без возвращения
- •Статистическое определение
- •Статистическое определение
- •Лекция 2. Основания теории вероятностей
- •Событиями мы будем называть некоторые наборы элементарных исходов, то есть подмножества множества Ω.
- •Элементарные события
- •Комбинации событий
- •Сумма (объединение) событий
- •Противоположное событие
- •Вероятность в дискретном пространстве
- •Несчетное множество исходов
- •Аксиоматическое определение вероятности
- •Лекция 3.
- •Условная вероятность
- •Теорема сложения
- •Теорема умножения для двух событий
- •Теорема (формула полной вероятности)
- •Теорема (формула Байеса)
- •Лекция 4. Схемы испытаний
- •Теорема (формула Бернулли)
- •Предельные теоремы для схемы Бернулли
- •Теорема Пуассона
- •Приближенная формула Пуассона
- •Локальная приближенная формула
- •Свойства функции (x)
- •Интегральная приближенная формула
- •Свойства функции Ф(x)
- •Лекция 5.
- •Дискретные распределения
- •Ряд распределения
- •Биномиальное распределение B(n, p)
- •Пример
- •Распределение Пуассона P
- •Функция распределения
- •Лекция 6.
- •Геометрический смысл функции распределения
- •Равномерное распределение R [a, b]
- •Нормальное распределение N (a, )
- •Нормальное распределение N (a, )
- •Кривые плотностей N(a, σ) с различными а и σ
- •Плотность и функция распределения
- •Многомерные СВ
- •Лекция 7.
- •Математическое ожидание н.сл.в.
- •Математическое ожидание функции случайной величины
- •Дисперсия случайной величины
- •Числовые характеристики
- •Начальные и центральные моменты
- •Лекция 8. Линейная зависимость
- •Коэффициент корреляции
- •Свойства коэффициента корреляции
- •Смысл коэффициента корреляции
- •Уравнение линейной регрессии
- •Формулы уравнения линейной регрессии
- •Лекция 9. Условные распределения
- •Нахождение условной функции распределения
- •Условная плотность
- •Условное математическое ожидание
- •Регрессия
- •Корреляционное отношение
- •Лекция 10. Предельные теоремы
- •Сходимость по вероятности
- •Закон больших чисел (ЗБЧ)
- •Закон больших чисел
- •ЗБЧ в форме Чебышева
- •ЗБЧ в форме Бернулли
- •ЗБЧ в форме Хинчина
- •Центральная предельная теорема (ЦПТ)
- •Центральная предельная теорема для независимых одинаково распределенных сл. в.
- •Зависимость от числа слагаемых
- •Практическое значение ЦПТ
- •Лекция 11. Введение в
- •Основные понятия
- •Простая выборка
- •Эмпирическая функция распределения
- •Свойства эмпирической функции распределения
- •Группировка выборки
- •Параметры группировки
- •Графические характеристики выборки
- •Гистограмма и плотность
- •Лекция 12.
- •Числовые характеристики выборки
- •Способ получения выборочных формул
- •Замечание
- •Выборочное среднее
- •Выборочная дисперсия
- •Выборочный начальный момент порядка l
- •Выборочный центральный момент порядка l
- •Лекция 13. Распределение выборочных характеристик
- •Плотность распределения χ2 при разных k
- •Распределение Стьюдента
- •Плотность распределения Стьюдента
- •Распределение Фишера
- •Теорема Фишера
- •Теорема
- •Лекция 14. Точечное оценивание параметров
- •Точечные оценки
- •Несмещенность
- •Несмещенные оценки в N(a,σ)
- •Состоятельность
- •Оптимальность
- •Нижняя граница дисперсий
- •Эффективность
- •Оценка максимального правдоподобия
- •Метод максимального правдоподобия
- •Метод моментов
- •Лекция 15. Интервальное оценивание параметров
- •Уровень значимости α
- •Схема построения доверительного интервала
- •Доверительный интервал для параметра a распределения N(a, σ)
- •Квантили нормального распределения
- •Доверительный интервал для параметра a (при неизвестном σ) :
- •Доверительный интервал для параметра σ распределения N(a, σ)
- •Асимптотический доверительный интервал
- •Лекция 16. Проверка статистических гипотез
- •Проверка гипотезы
- •Критическая область
- •Если значение статистики попадает критическую область, то H0 отвергается.
- •Ошибка первого рода
- •Ошибка второго рода
- •Мощность критерия
- •Лекция 17. Проверка гипотез о параметрах
- •Общая схема проверки
- •Проверка гипотез о параметрах нормального распределения
- •Гипотеза о дисперсиях.
- •Лекция 18. Проверка гипотез о виде распределения.
- •Применение критерия Колмогорова
- •Правило проверки
- •Критерий согласия Пирсона χ2
- •Статистика критерия Пирсона
- •Правило проверки
Теорема сложения
P A B P A P B P AB
P |
n |
Ai |
|
n |
P Ai |
|
P |
|
Ai Aj |
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|||||
|
U |
|
|
|
|
|
|
|
|
||
|
i 1 |
|
i 1 |
|
1 i j n |
|
|
|
|
|
|
|
P |
Ai Aj Ak ... 1 n 1 P |
A1...An |
||||||||
1 i j k n |
|
|
|
|
|
|
|
|
|
СФУ Т.В. Крупкина |
21 |
Теорема умножения для двух событий
|
|
|
P AB P A P B | A |
P B |
P A | B , |
если соответствующие условные вероятности определены
(то есть если P(A) > 0, P(B) > 0).
Доказательство следует из определения условной вероятности.
СФУ Т.В. Крупкина |
22 |
Теорема (формула полной вероятности)
Пусть A – случайное событие, H1, H2, …, Hn
– полная группа событий (гипотезы),
P Hi 0, |
n |
A UHi . |
|
|
i 1 |
Тогда вероятность события А может быть вычислена по формуле:
n
P A P Hi P A | Hi
i 1
СФУ Т.В. Крупкина |
23 |
Теорема (формула Байеса)
Пусть A – случайное событие, H1, H2, …, Hn
– полная группа событий (гипотезы),
|
P Hi 0, |
n |
|
|||
|
A Hi . |
|
||||
|
|
|
i 1 |
|
||
Тогда условная вероятность того, что имело |
|
|||||
место событие Hk, если наблюдалось событие |
|
|||||
А, может быть вычислена по формуле: |
|
|||||
|
|
|
|
|
|
|
|
P Hk | A |
P Hk P A | Hk |
|
|
||
|
n |
|
|
|||
|
|
P Hi P A | Hi |
|
|
||
|
|
i 1 |
|
|
|
24 |
|
|
СФУ Т.В. Крупкина |
|
Лекция 4. Схемы испытаний
Схемой испытаний Бернулли называется последовательность независимых испытаний, в каждом из которых возможны лишь два исхода
— «успех» и «неудача», при этом «успех» в одном испытании происходит с вероятностью p, а «неудача» — с вероятностью q = 1 – p.
СФУ Т.В. Крупкина |
25 |
Теорема (формула Бернулли)
Обозначим через m число успехов в n испытаниях схемы Бернулли. Тогда
Pn m Cnm pmqn m
СФУ Т.В. Крупкина |
26 |
Предельные теоремы для схемы Бернулли
При числе испытаний, превышающем 20, вычисление точного значения Pn(m) затруднительно. В этих случаях применяют приближенные формулы, вытекающие из предельных теорем.
Различают два случая:
когда р мало, используют приближение Пуассона,
когда р не мало (и не очень близко к единице),
справедливо приближение Муавра –Лапласа.
СФУ Т.В. Крупкина |
27 |
Теорема Пуассона
Если при n , р 0 так, что np , 0 < < , то для любого фиксированного m N справедливо:
P m Cm pm 1 p n m p m me
n n m!
СФУ Т.В. Крупкина |
28 |
Приближенная формула Пуассона
Pn m p m me m!
где = np. Приближенную формулу Пуассона применяют при
n > 30,
р< 0.1,
0.1< = np < 10.
СФУ Т.В. Крупкина |
29 |
Локальная приближенная формула
Муавра –Лапласа
Pn m xm npq
x m np m npq
Локальную приближенную формулу Муавра –
Лапласа применяют при
n > 30, 0.1 p 0.9, nрq > 9.
СФУ Т.В. Крупкина |
30 |
График биномиальных вероятностей при n=30, p=0,2 и график φ(X)
СФУ Т.В. Крупкина |
31 |